MoWM：基于潜在到像素特征调制的混合世界模型用于具身规划

arXiv 25.9 2025 58.3 method, application

TLDR

MoWM通过混合专家机制融合潜在和像素空间世界模型，提升具身动作规划，在CALVIN和真实任务上达到SOTA。

评分理由

The paper introduces a novel hybrid framework that fuses motion-aware latent features with pixel-level details, addressing limitations of each approach. Strengths include strong empirical results on both simulated and real-world benchmarks, while weaknesses are not explicitly discussed in the abstract (e.g., computational cost or failure cases).

Read-first 评分解释

综合优先阅读分 58.3，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 37。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：分析、基准、评估

主题相关性 42%

52.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码、GitHub

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：261。

关键词评分

world model

video world model

generative world model

model-based reinforcement learning world model

world dynamics prediction

interactive world model

world simulator

深度分析

创新点

混合世界模型框架，融合混合世界模型的表示用于具身动作规划
潜在到像素特征调制，将运动感知的潜在特征与像素空间特征相结合
通过利用紧凑的运动感知表示和细粒度像素级表示，强调与动作相关的视觉细节

方法

MoWM通过潜在到像素特征调制，将运动感知的潜在世界模型特征与像素空间特征相结合，使模型能够强调与动作相关的视觉细节以进行动作解码。该框架集成了混合世界模型，并在CALVIN基准和真实世界操作任务上进行了评估。

关键结果

该方法在CALVIN和真实世界操作任务上达到了最先进的任务成功率，并展现出优于先前方法的泛化性能。

资源

论文